科学家发现与饱腹感有关的神经元群体

摘要：一项新研究发现，GLP-1 受体激动剂通过作用于背内侧下丘脑的神经元，在进食前触发饱腹感。这项研究揭示了这些激动剂增强饱腹感和帮助防止摄入过多食物的神经机制，从而在解决肥胖问题方面发挥了至关重要的作用。 胰高血糖素样肽-1（GLP-1）在发出进食后饱腹感信号方面发挥着重要作用。进食前饱腹感是一种发生在实际摄入食物之前的现象，使动物能够调节体内状态并为变化做好准备。最近，GLP-1 受体激动剂（GLP-1RAs）通过影响食物认知、减弱下丘脑对食物线索的反应以及改变食物适口性的感知，被证明能有效治疗肥胖症。GLP-1 受体激动剂是一种人工合成药物，可模拟因摄入食物而产生的激素 GLP-1。这些研究结果表明，GLP-1RA 可在胃肠道饱食前发挥作用，控制食物摄入量。然而，人们对这些作用的中心机制了解甚少，GLP-1RAs 的作用靶点仍存在争议。在此，Kyu Sik Kim 及其同事展示了一项针对肥胖者的阶段性临床试验结果。研究小组在接受或不接受 GLP-1RA 治疗的基线、进食前和进食阶段进行了饱腹感调查。结果显示，GLP-1RA 治疗可持续提高各阶段的饱腹感指数（整体饱腹感），而对照组的饱腹感指数从基线到进食前阶段均有所下降。在进食前阶段，与基线相比，GLP-1RA 显著提高了饱腹感指数，增强了预期食物摄入、食物奖励和动机饱腹感指数。通过对人类和小鼠大脑样本的分析，Kim等人确定了背内侧下丘脑的神经回路，这些神经回路与这些激动剂相互作用，诱导抑制对食物的欲望。对这些神经元进行光遗传学操作可引起饱腹感，而钙成像技术则证明它们积极参与了对进食前饱腹感的编码。编译自/ScitechDailyDOI: 10.1126/science.adj2537 原文：https://m.cnbeta.com.tw/view/1437349.htm

暗物质动力学探索奇异的卫星星系“Crater II”

摘要：“Crater II”是一个巨大而暗淡的卫星星系，它的特性对传统的冷暗物质理论提出了挑战。SIDM理论提供了一个更好的解释，认为暗物质相互作用降低了密度，增大了星系体积，与观测结果相吻合。Crater II距离地球约 38 万光年，是银河系最大的卫星星系之一。Crater II极其寒冷，恒星移动缓慢，表面亮度很低。这个星系是如何起源的，目前还不清楚。 加州大学河滨分校物理学和天文学教授于海波说："自2016年发现Crater II以来，人们曾多次尝试重现它的不寻常特性，但事实证明这非常具有挑战性。"他的团队在最近发表于《天体物理学期刊通讯》（TheAstrophysical Journal Letters）的一篇论文中对Crater II的起源做出了解释。卫星星系是一个较小的星系，它围绕着一个较大的主星系运行。暗物质占宇宙物质的85%，它可以在引力的作用下形成一个球形结构，称为暗物质晕。暗物质晕看不见摸不着，它渗透并包围着像Crater II这样的星系。Crater II极其寒冷，这表明它的光环密度很低。我们的银河系被大约 50 个矮星系包围着。这些星系中的大多数只能通过望远镜来识别，并以它们出现在天空中的星座来命名（例如天龙座、雕刻家座或狮子座）。不过，两个最明显的矮星系被称为大麦哲伦云（LMC）和小麦哲伦云（SMC），它们很容易被肉眼看到。资料来源：ESA/Gaia/DPACCrater II在银河系的潮汐场中演化，经历了与宿主星系的潮汐相互作用，类似于地球海洋因月球引力而经历潮汐力。理论上，潮汐相互作用可以降低暗物质晕的密度。然而，对Crater II环绕银河的轨道的最新测量结果表明，潮汐相互作用的强度太弱，不足以降低卫星星系的暗物质密度，从而与其测量结果保持一致--如果暗物质是由冷的、无碰撞的粒子构成的，正如流行的冷暗物质理论（或称CDM）所预期的那样。另一个谜题是，当卫星星系在银河系的潮汐场中演化时，潮汐相互作用会缩小卫星星系的体积，因此Crater II怎么会有这么大的体积呢？于和他的团队引用了一种不同的理论来解释Crater II的特性和起源。该理论被称为"自相互作用暗物质"（self-interacting dark matter，简称SIDM），它可以令人信服地解释各种暗物质的分布。该理论认为，暗物质粒子通过暗力进行自我相互作用，在靠近星系中心的地方相互发生强烈碰撞。于说："我们的工作表明，SIDM可以解释Crater II的不寻常特性。关键的机制是暗物质的自我相互作用使Crater II的光环热化，并产生一个浅密度核心，也就是说，暗物质密度在小半径处是扁平的。相反，在CDM光环中，密度会向星系中心急剧增加。"在 SIDM 中，与Crater II轨道测量结果一致的相对较小的潮汐相互作用强度就足以降低Crater II的暗物质密度，这与观测结果是一致的。"重要的是，星系的大小在SIDM光环中也会扩大，这就解释了Crater II的巨大体积。暗物质粒子在有芯的SIDM光环中比在'脆弱'的CDM光环中结合得更松散。我们的工作表明，SIDM比CDM更能解释Crater II的起源。"编译自/ScitechDaily 原文：https://m.cnbeta.com.tw/view/1437348.htm

焦虑可能使患帕金森病的风险增加一倍

摘要：伦敦大学学院（UCL）的研究人员在《英国全科医学杂志》（British Journal of General Practice）上发表的一项新研究显示，与没有焦虑症的人相比，50 岁以上最近患上焦虑症的人被诊断出帕金森病的可能性至少高出一倍。该研究调查了焦虑症的发病与随后诊断出帕金森病之间的联系。 研究小组利用2008年至2018年期间的英国初级保健数据，对109,435名50岁以后患上焦虑症的患者进行了评估，并将他们与878,256名没有焦虑症的匹配对照者进行了比较。然后，他们追踪了帕金森病特征的存在情况，如睡眠问题、抑郁、震颤和平衡障碍，从焦虑诊断开始，直到帕金森病诊断日期的前一年，以帮助他们了解每个组别随着时间的推移患帕金森病的风险，以及他们的风险因素可能是什么。研究小组确保对研究结果进行调整，以考虑到年龄、性别、社会贫困程度、生活方式因素、严重精神疾病、头部创伤和痴呆症等可能影响焦虑症患者病情发展的因素。因此，他们发现，与对照组相比，焦虑症患者患帕金森病的风险增加了两倍。他们还证实，抑郁、睡眠障碍、疲劳、认知障碍、低血压、震颤、僵直、平衡障碍和便秘等症状是焦虑症患者患帕金森病的风险因素。共同第一作者胡安-巴索-阿瓦雷兹博士（UCL 流行病学与健康）说："帕金森病是全球第二大最常见的神经退行性疾病，据估计，到2040年将有1420万人受到影响。"众所周知，焦虑是帕金森病早期阶段的一个特征，但在我们的研究之前，50 岁以上新发焦虑症患者患帕金森病的预期风险尚不清楚。通过了解焦虑和提到的特征与 50 岁以上罹患帕金森病的较高风险有关，我们希望能够更早地发现病情，并帮助患者获得所需的治疗"。帕金森病是世界上发病率增长最快的神经退行性疾病，目前影响着全球近 1000 万人。这种疾病是一种渐进性疾病，是由于大脑中控制运动的黑质部位的神经细胞死亡造成的。由于一种名为α-突触核蛋白的蛋白质堆积，这些神经细胞死亡或受损，失去了产生一种名为多巴胺的重要化学物质的能力。由伦敦大学洛杉矶分校和德国戈廷根大学医学中心的科学家们领导的研究小组最近开发出一种简单的血液检测方法，利用人工智能在帕金森病症状出现前七年就能预测出帕金森病。共同第一作者安妮特-施拉格教授（UCL皇后广场神经病学研究所）说："对焦虑症的研究不如对帕金森病其他早期指标的研究深入。进一步的研究应该探讨早期焦虑的发生与其他早期症状以及帕金森病早期的潜在进展之间的关系。这可能有助于在疾病的早期阶段对其进行更好的治疗"。研究人员建议，今后的研究应探讨为什么 50 岁以上新发焦虑症患者患帕金森病的风险更高，以及焦虑症的严重程度是否会影响他们的预后。编译自/ScitechDailydoi: 10.3399/bjgp.2023.0423 原文：https://m.cnbeta.com.tw/view/1437347.htm

AI"超人眼"让科学家更进一步了解我们生存环境中最复杂、最神秘的层面

摘要：九州大学的研究人员推出了一种人工智能工具 QDyeFinder，该工具利用先进的颜色编码和机器学习技术增强了大脑神经元图谱的绘制，显示出在生物学领域更广泛应用的潜力。 大脑是有史以来最复杂的器官。它的功能由数百亿个密集的神经元组成的网络支持，数万亿个神经元连接在一起交换信息和进行计算。试图理解大脑的复杂性可能会令人眼花缭乱。然而，如果我们希望了解大脑是如何工作的，我们就必须能够绘制神经元图谱并研究它们是如何连线的。现在，九州大学的研究人员在《自然-通讯》（Nature Communications）上发表文章，他们开发了一种新的人工智能工具，称为 QDyeFinder，可以从小鼠大脑图像中自动识别和重建单个神经元。这个过程包括用超级多色标记协议标记神经元，然后让人工智能通过匹配类似的颜色组合自动识别神经元的结构。图片来源：九州大学/今井武志"神经科学面临的最大挑战之一是绘制大脑及其连接图。然而，由于神经元非常密集，要将神经元及其轴突和树突--从其他神经元发送和接收信息的延伸部分--相互区分开来非常困难，也非常耗时，"领导这项研究的医学科学研究生院教授今井武志解释说。"轴突和树突只有大约一微米厚，比人类的标准头发丝还要细100倍，它们之间的空间也更小。"识别神经元的一种策略是用特定颜色的荧光蛋白标记细胞。然后，研究人员可以追踪这种颜色，重建神经元及其轴突。通过扩大颜色范围，可以同时追踪更多的神经元。2018 年，今井和他的团队开发出了 Tetbow 系统，该系统可以用光的三原色给神经元涂上鲜艳的颜色。用七色 Tetbow 标记小鼠皮层 2/3 锥体神经元。用 7 种荧光蛋白（mTagBFP2、mTurquoise2、mAmetrine1.1、mNeonGreen、Ypet、mRuby3 和 tdKatushka2）的组合来观察神经元的密集布线。然后通过 QDyeFinder 程序对 7 通道图像进行分析，以揭示单个神经元的布线模式。资料来源：九州大学/今井武"我喜欢使用的一个例子是东京地铁线路图。该系统有 13 条线路、286 个车站，横跨 300 多公里。在地铁地图上，每条线路都用颜色编码，因此你可以很容易地识别哪些车站是相连的，"论文的第一作者之一、当时的助理教授 Marcus N. Leiwe 解释说。"Tetbow让追踪神经元和找到它们之间的连接变得更加容易"。然而，两个主要问题依然存在。神经元仍然需要手工细致地描记，而且仅使用三种颜色不足以辨别更大的神经元群。研究小组努力将颜色的数量从三种增加到七种，但当时更大的问题是人类对颜色感知的极限。仔细观察电视屏幕，你会发现像素是由三种颜色组成的：蓝、绿、红。我们能感知到的任何颜色都是这三种颜色的组合，因为我们的眼睛里有蓝色、绿色和红色传感器。"而机器则没有这样的限制。因此，我们致力于开发一种能够自动分辨这些不同颜色组合的工具，"Leiwe 说。"我们还使这一工具能够自动将相同颜色的神经元和轴突拼接在一起，并重建它们的结构。我们将这一系统命名为 QDyeFinder。"QDyeFinder 的工作原理是首先自动识别给定样本中的轴突和树突片段。然后识别每个片段的颜色信息。然后，利用团队开发的名为 dCrawler 的机器学习算法，将颜色信息分组，从而识别出同一神经元的轴突和树突。Leiwe 解释说："当我们将 QDyeFinder 的结果与人工追踪神经元的数据进行比较时，它们的准确率基本相同。即使与充分利用机器学习的现有描记软件相比，QDyeFinder 也能以更高的准确率识别轴突"。"研究小组希望他们的新工具能推动目前绘制大脑连接图的工作。他们还想了解新方法能否应用于其他复杂细胞类型（如癌细胞和免疫细胞）的标记和追踪。"也许有一天，我们能读懂大脑中的连接，并理解它们对这个人意味着什么或代表什么。我怀疑这是否会在我有生之年发生，但我们的工作代表着在理解我们存在的也许是最复杂和最神秘的层面方面向前迈出了实实在在的一步，"今井总结道。编译自/ScitechDaily 原文：https://m.cnbeta.com.tw/view/1437346.htm

新研究表明为什么不需要完美就能完成任务

摘要：神经科学家通常会为动物执行任务提出一个单一的最佳模式，但研究人员发现，动物经常使用一些并不完美的策略，这些策略既高效又节省资源。他们的新框架揭示了解决任务的多种可行方法，为动物行为和大脑功能提供了启示。 研究人员发现，动物在执行觅食等任务时经常会采用"足够好"的策略，这些策略虽然不是最优的，但仍然有效，这对行为优化的传统观点提出了挑战，并为理解这些策略的关系和更广泛的适用性提供了一个新的框架。当神经科学家考虑动物完成某项任务（如寻找食物、捕猎猎物或在迷宫中穿行）可能使用的策略时，他们通常会提出一个单一模型，概述动物实现目标的最有效方法。但在现实世界中，动物和人类可能不会使用最佳方法，因为这种方法可能会耗费大量资源。相反，它们会使用一种足以完成任务但耗费脑力较少的策略。在新的研究中，Janelia 的科学家们着手更好地了解动物成功解决问题的可能方式，而不仅仅是最佳策略。这项研究表明，动物可以通过多种方式完成一项简单的觅食任务。它还为理解这些不同的策略、它们之间的关系以及它们如何以不同的方式解决相同的问题提供了一个理论框架。研究人员发现，在完成任务的过程中，有些不那么完美的选择几乎和最优策略一样有效，但却省力得多，这让动物们可以腾出宝贵的资源来处理多项任务。赫尔蒙斯塔实验室的博士后马子轩（Tzuhsuan Ma）是这项研究的负责人。新框架可以帮助研究人员开始研究这些"足够好"的策略，包括为什么不同的个体可能会适应不同的策略，这些策略可能如何协同工作，以及这些策略在其他任务中的通用性如何。这将有助于解释大脑是如何在现实世界中实现行为的。Janelia 小组组长 安·赫尔蒙斯塔说："这些策略中有许多是我们从未想过的解决这项任务的可能方法，但它们确实很有效，所以动物也完全有可能使用它们。它们为我们理解行为提供了新的词汇。"这项研究始于三年前，当时马子轩开始思考动物在完成一项简单而普通的任务时可能采用的不同策略：在两个选项中做出选择，而获得奖励的几率会随着时间的推移而变化。研究人员有兴趣研究一组介于最优解和完全随机解之间的策略：这些"小程序"资源有限，但仍能完成工作。每个程序都根据过去的观察结果指定了不同的算法来指导动物的行动，从而使其成为动物行为的模型。事实证明，这样的项目有很多，大约有 25 万个。为了理解这些策略，研究人员首先研究了少数表现最好的策略。令人惊讶的是，他们发现，尽管使用了较少的资源，但它们所做的事情基本上与最优策略相同。"我们有点失望，"马说。"我们花了这么多时间寻找这些小程序，结果它们都遵循着同样的计算方法，而这个领域已经知道如何用数学方法推导出这些计算方法，不需要我们花这么多精力"。不过，研究人员还是有动力继续寻找--他们有一种强烈的直觉，那就是一定有一些程序是好的，但与最优策略不同。当他们把目光投向最优秀的项目之外时，他们发现了他们正在寻找的东西：大约有 4000 个项目属于"足够好"的类别。更重要的是，其中 90% 以上的项目都有新意。他们本可以就此打住，但一位杰内里亚人提出的问题刺激了他们：他们怎样才能知道动物使用的是哪种策略呢？这个问题促使团队深入研究各个计划的行为，并开发出一种系统的方法来思考整个战略集合。他们首先开发了一种数学方法，通过连接不同程序的网络来描述程序之间的关系。接下来，他们研究了这些策略所描述的行为，并设计了一种算法来揭示这些"足够好"的程序是如何从另一个程序演化而来的。他们发现，在保持表现的同时，对最优程序的微小改动也会导致行为的巨大变化。如果其中一些新行为在其他任务中也有用，这就表明同一个程序足以解决一系列不同的问题。"如果你认为动物不是只解决一个问题的专家，而是解决许多问题的通才，那么这确实是一种新的研究方法，"马说。这项新工作为研究人员提供了一个框架，让他们开始思考如何超越单一的、最佳的动物行为程序。现在，研究小组正集中精力研究小程序对其他任务的通用性，并设计新的实验来确定动物可能使用哪种程序来实时执行任务。他们还在与 Janelia 的其他研究人员合作，测试他们的理论框架。赫尔蒙斯塔说："归根结底，掌握动物的行为是了解大脑如何解决不同类型问题的必要前提，包括一些我们最好的人工系统也只能低效解决的问题。关键的挑战在于，动物使用的策略可能与我们最初假设的大相径庭，而这项工作正在帮助我们发现这一可能性空间。"编译自/ScitechDailyDOI: 10.1126/sciadv.adj4064 原文：https://m.cnbeta.com.tw/view/1437345.htm

曾刚上市就下架的绿联NAS又曝安全缺陷 官方回应称不影响正式用户

摘要：绿联NAS新品在上市之初就遭遇了下架风波，近日又被曝出存在严重的安全设计缺陷。据B站up主发现，绿联NAS系统控制面板中提供的两个域名的通配符证书，*.ugnas.cloud 和 *.ugnas.com，存在泄露用户私密数据的风险。 对此绿联官方作出回应，称此问题仅存在于UGOS PRO体验账号中，并未在正式用户的设备上使用。绿脸表示，已定位到该问题属于体验账号，正式用户设备上没有这个证书，也不会用到这个证书和私钥，对正式用户不会有任何影响。同时已经吊销该体验账号的证书，并称绿联 NAS 私有云团队非常重视并以力求保障用户数据安全，感谢对绿联 NAS 私有云的支持。此前，绿联科技在5月推出了NAS私有云DXP系列九款新品，并带来了全新自研NAS系统UGOS Pro。然而，新系统首发并未达到预期，存在部分Bug，例如CPU温度显示异常、负载过高以及用户账号注册异常等问题。 原文：https://m.cnbeta.com.tw/view/1437344.htm